מעקב קלוריות בעזרת AI: מגבלות כנות ומה שהוא עדיין לא יכול לעשות

כל מעקב קלוריות בעזרת AI בשוק כיום סובל ממגבלות משמעותיות שלא מוזכרות בחומרי השיווק. זה כולל את Nutrola. הטכנולוגיה השתפרה בצורה דרמטית בשלוש השנים האחרונות — דיוק הזיהוי של מזון עלה מ-60% ל-80-92% עבור מנות נפוצות — אך עדיין קיימות קטגוריות מזון וסיטואציות אכילה שבהן שום מערכת AI לא פועלת בצורה אמינה.

הכרה במגבלות הללו אינה טיעון נגד מעקב קלוריות בעזרת AI. זהו טיעון להבנת מה AI יכול ומה הוא לא יכול לעשות, כך שתוכל לעבוד עם הטכנולוגיה במקום לסמוך עליה בעיוורון. לכל כלי יש גבולות. הכלים הטובים ביותר מעוצבים עם פתרונות חלופיים למקרים שבהם הגבולות הללו מגיעים.

מגבלה 1: מנות עם רוטב כבד

הבעיה

כאשר מנה מכוסה ברוטב, ציפוי או רוטב סמיך, ה-AI מאבד את רוב המידע הוויזואלי שלו. הוא יכול לראות את צבע וטקסטורת הרוטב, אך אינו יכול לזהות או לכמת את המזון שמתחתיו. חזה עוף מכוסה ברוטב טריאקי, צלחת פסטה שטבועה באלפדו, או ירקות מצופים בקארי סמיך — ה-AI עובד עם המראה של הרוטב, ולא עם המזון.

ההשפעה הקלורית של רטבים היא משמעותית. ניתוח מ-2023 ב-Journal of the American Dietetic Association מצא כי רטבים ותבלינים תרמו בממוצע 200-400 קלוריות לכל מנה במסעדות — לעיתים קרובות מייצגים 30-50% מהתוכן הקלורי הכולל של המנה. טעויות בזיהוי הרוטב גורמות לטעויות בזיהוי המנה.

מה כל אפליקציה עושה

Cal AI ו-SnapCalorie: ה-AI מעריך את המנה כפריט אחד. אם הוא מזהה "עוף טריאקי עם אורז", מספר הקלוריות משקף את נתוני האימון הממוצעים של המודל עבור קטגוריית המנה הזו. יחס הרוטב לעוף, מתכון הרוטב ושמן הבישול במנה שלך אינם ידועים ואינם נלקחים בחשבון.

Foodvisor: הערכה דומה של ה-AI, עם אפשרות להתייעץ עם דיאטנית לתיקון — אך זהו תהליך רטרואקטיבי ואיטי.

Nutrola: ה-AI מזהה את קטגוריית המנה ומציע התאמות מהמאגר. המשתמש יכול להתאים על ידי בחירת סוג רוטב ספציפי מהמאגר ("רוטב טריאקי, 3 כפות = 135 קלוריות") ולרשום אותו בנפרד מהחלבון והפחמימה. המאגר מספק נתוני קלוריות מאומתים עבור עשרות סוגי רטבים וסגנונות הכנה. זה לא פותר את הבעיה הוויזואלית הבסיסית, אך מספק מנגנון להוסיף קלוריות רוטב שאפליקציות שמבוססות על תמונות לא יכולות.

הערכה כנה

אף מעקב AI לא מצליח להתמודד עם מנות מכוסות רוטב היטב מתמונות בלבד. היתרון של Nutrola הוא היכולת לרשום רוטב בנפרד דרך הקלטה קולית או חיפוש במאגר — אך זה דורש מהמשתמש לדעת (או להעריך) איזה רוטב שימש וכמה ממנו. עבור מנות ביתיות, זה אפשרי. עבור מנות במסעדות שבהן המתכון לרוטב אינו ידוע, כל המעקבים מעריכים.

מגבלה 2: הערכת מנות מדויקת מתמונות

הבעיה

זו המגבלה המתמשכת והבסיסית ביותר של מעקב מזון מבוסס תמונות. צילום תלת-ממדי לא יכול להעביר בצורה אמינה את הנפח והמסה של המזון.

שקול שתי מנות פסטה: 150 גרם ו-300 גרם. באותה צלחת, מצולמת מלמעלה, המנה של 300 גרם עשויה להיראות כמקבץ מעט גבוה יותר, אך ההפרש הקלורי הוא 195 קלוריות. ההבדל הוויזואלי הוא עדין; ההבדל הקלורי משמעותי.

מחקר על הערכת מנות בעזרת AI מוצא באופן עקבי שגיאות ממוצעות של 20-40% בהערכת נפח מתמונות דו-ממדיות. מחקר מ-2024 ב-Nutrients דיווח כי אפילו מודלים מתקדמים ביותר להערכת מנות מזון הציגו שגיאות ממוצעות של 25-35% על פני סוגי מנות מגוונים, עם שגיאות שעולות על 50% עבור מזונות עשירים בקלוריות במנות קטנות (אגוזים, גבינה, שמנים).

מה כל אפליקציה עושה

Cal AI: הערכה מתמונה דו-ממדית תוך שימוש בגודל יחסית לצלחת והעדפות שנלמדו. חשוף לטווח השגיאה המלא של 20-40%.

SnapCalorie: סריקה תלת-ממדית מפחיתה את השגיאה עבור מזונות מונחים ב-30-40% בהשוואה לשיטות דו-ממדיות. זהו יתרון אמיתי עבור אורז, קוואקר ומזונות דומים שבהם הגובה מתואם עם הנפח. עם זאת, תלת-ממד לא עוזר עבור מזונות שטוחים (פיצה, סנדוויצ'ים), מזונות בקערות (מרק, דגני בוקר) או פריטים קטנים עשירים בקלוריות (אגוזים, קוביות גבינה).

Foodvisor: הערכה דו-ממדית עם כמה מנות סטנדרטיות המופיעות במאגר.

Nutrola: הערכת תמונה דו-ממדית בתוספת מנות סטנדרטיות מהמאגר. כאשר ה-AI מציע "עוף מוקפץ", המאגר מספק גדלים סטנדרטיים של מנות (למשל, "מנה אחת = 300 גרם"). המשתמש יכול להתאים באמצעות אפשרויות המנה מהמאגר במקום לנחש משקל בגרמים. הקלטה קולית מאפשרת לציין מנות ישירות: "בערך שתי כוסות אורז."

הערכה כנה

הערכת מנות מתמונות היא בעיה שלא נפתרה בתחום הראייה הממוחשבת. הגישה התלת-ממדית של SnapCalorie היא הפתרון הטכנולוגי המתקדם ביותר, אך השיפור שלה מוגבל לסוגי מזון מסוימים ודורש חומרת LiDAR. הפניות המנות מהמאגר של Nutrola עוזרות על ידי מתן נקודות עוגן, אך המשתמש עדיין צריך להעריך אם הוא אכל "מנה אחת" או "מנה וחצי". ההמלצה הכנה: כאשר חשוב הדיוק, שקול את המזון שלך. שום מעקב AI לא מחליף משקל מטבח לדיוק.

מגבלה 3: מזון אזורי ומוכר פחות

הבעיה

מודלים לזיהוי מזון בעזרת AI מאומנים על מערכי נתונים שמשקפים את תרבויות המזון המיוצגות ביותר בנתוני האימון שלהם — בדרך כלל מטבח אמריקאי, מערב אירופי ומזרח אסייתי. מזונות ממטבחים פחות מיוצגים עשויים להיות מזוהים בצורה שגויה או לקבל הערכות באConfidence נמוך.

מחקר שפורסם ב-2023 ב-ACM Computing Surveys ניתח מערכי נתונים לזיהוי מזון ומצא כי 72% מהתמונות במערכי האימון הנפוצים ביותר ייצגו מזון מעשרה מדינות בלבד. מטבחים מערב אפריקאי, מרכז אסיאתי, איים פסיפיים, מסורת מזון אינדיג'נית ורבים אחרים הם מתחת לייצוג משמעותי.

זה אומר שאם אתה אוכל באופן קבוע אינג'רה עם תבשיל אתיופי, סביצ'ה פרואני, אדובו פיליפיני, חצ'פורי גאורגי או תיבודין סנגלי, ה-AI עשוי לזהות את המנה בצורה שגויה, לבלבל אותה עם מנה דומה ויזואלית ממטבח יותר מיוצג, או להעניק הערכה כללית של "מנה מעורבת" עם דיוק נמוך.

מה כל אפליקציה עושה

Cal AI: מתבסס לחלוטין על נתוני האימון של מודל ה-AI. אם המזון אינו מיוצג היטב באימון, ההערכה תהיה גרועה ללא פתרון חלופי.

SnapCalorie: אותה מגבלה. סריקה תלת-ממדית משפרת את הערכת המנות אך לא יכולה לעזור בזיהוי מזון ממטבחים פחות מיוצגים.

Foodvisor: כיסוי מעט טוב יותר של מטבחים אירופיים (חברה צרפתית) אך חולקת את אותה מגבלת נתוני האימון עבור מזונות שאינם אירופיים.

Nutrola: ה-AI נתקל באותה מגבלת זיהוי, אך המאגר המאומת של 1.8 מיליון רשומות כולל מזונות ממסורות קולינריות מגוונות. כאשר ה-AI נכשל בזיהוי מזון אזורי, המשתמש יכול לתאר אותו בקול ("אינג'רה אתיופית, בערך 200 גרם, עם תבשיל עדשים, בערך 150 גרם") והמאגר מספק רשומות מאומתות עבור מזונות אלו. התמיכה ב-15 שפות גם אומרת שניתן להשתמש בשמות מזון בשפות מקומיות לחיפוש במאגר.

הערכה כנה

זו מגבלה של כל תחום זיהוי המזון בעזרת AI, ולא רק של אפליקציות ספציפיות. מעקבים מבוססי מאגר יש להם יתרון כי ניתן להרחיב את המאגרים כדי לכלול מזונות אזוריים מבלי לאמן מחדש את מודל ה-AI — הוספת רשומה מאומתת עבור "תיבודין" למאגר היא פשוטה יותר מלהבטיח שה-AI מזהה אותו מתמונות. אך גם כיסוי המאגרים כולל פערים. 1.8 מיליון הרשומות של Nutrola מכסות יותר מזונות מאשר אוצר המילים של כל מודל זיהוי מזון בלבד, אך מזונות מקומיים, ביתיים או נדירים עשויים עדיין לדרוש הזנה ידנית. שום מעקב לא מכסה את כל המסורות הקולינריות העולמיות כיום.

מגבלה 4: משקאות במיכלים מעורפלים

הבעיה

צילום משקה בכוס, ספל או בקבוק מעורפל נותן ל-AI כמעט שום מידע שימושי. ספל קפה לבן יכול להכיל קפה שחור (5 קלוריות), לאטה עם חלב מלא (190 קלוריות), מוקה עם קצפת (400 קלוריות) או כוס תה (2 קלוריות). הסיגנל הוויזואלי הוא הכוס, ולא התוכן.

אפילו עבור משקאות בכוסות שקופות, ל-AI יש מידע מוגבל. צבע ועכירות של נוזל מצמצמים את האפשרויות אך לא קובעים את המתכון. מיץ תפוזים, שייק מנגו ומיץ גזר-ג'ינג'ר יכולים להיראות דומים בכוס. קולה כהה וקפה קר כהה כמעט בלתי ניתנים להבחנה.

מה כל אפליקציה עושה

Cal AI: ה-AI מניח על סמך הקשר (צורת הכוס, צבע הנוזל הנראה). הדיוק עבור משקאות הוא בדרך כלל 40-60% — ברמה של הטלת מטבע.

SnapCalorie: סריקה תלת-ממדית מודדת את נפח הכוס/ספל, מה שעוזר להעריך את כמות הנוזל. אך התוכן הקלורי לכל מיליליטר נשאר בלתי ידוע ללא זיהוי המשקה הספציפי.

Foodvisor: אותה מגבלה כמו Cal AI בזיהוי משקאות.

Nutrola: הקלטה קולית היא הפתרון העיקרי: "לאטה עם חלב שיבולת שועל גדול עם שני פאמפים של וניל" מספקת מספיק מידע להתאמה מאומתת מהמאגר. המאגר כולל רשומות עבור משקאות ספציפיים מבתי קפה, סוגי חלב, סירופים ושיטות הכנה. סריקת ברקוד מכסה משקאות ארוזים. סריקת תמונות של משקאות נשארת לא אמינה וכנה, זו השימוש החלש ביותר של תכונת ה-AI של Nutrola.

הערכה כנה

מעקב קלוריות עבור משקאות הוא הקטגוריה החלשה ביותר בכל האפליקציות. הפתרון אינו AI טוב יותר — אלא שיטות קלט חלופיות. הקלטה קולית וסריקת ברקוד עוקפות את המגבלה הוויזואלית לחלוטין. זו אחת מהסיבות החזקות ביותר למעקבים עם שיטות מרובות: משקאות מייצגים 10-20% מהקלוריות היומיות עבור רוב האנשים, ומעקבים שמבוססים רק על תמונות מתמודדים איתם בצורה גרועה.

מגבלה 5: מנות רב-שכבתיות ומרכיבים מוסתרים

הבעיה

לזניה, בוריטו, סנדוויצ'ים, פלפלים ממולאים, פשטידות, רולדות אביב, דמפלים וכל מנה שבה החלק החיצוני מסתיר את הפנימי מציבה אתגר בסיסי עבור AI מבוסס תמונות. המצלמה רואה את השכבה העליונה; הקלוריות מגיעות מכל השכבות.

בוריטו שצולם מבחוץ מציג טורטיה. בפנים עשוי להיות עוף, אורז, שעועית, גבינה, שמנת חמוצה וגואקמולי — או רק אורז ושעועית. ההפרש הקלורי בין המילויים הללו יכול להיות 300-500 קלוריות, ושום דבר מזה אינו נראה.

מחקר מ-2023 ב-Food Quality and Preference בדק את זיהוי המזון בעזרת AI על מנות רב-שכבתיות ומצא ששיעורי הדיוק יורדים ב-25-40% בהשוואה למנות חד-שכבתיות נראות. המודלים באופן עקבי העריכו את תוכן הקלוריות של מנות רב-שכבתיות בצורה נמוכה מדי מכיוון שהם העניקו משקל גבוה יותר לרכיבים הנראים לעין מאשר לאלו המוסתרים.

מה כל אפליקציה עושה

Cal AI: מעריך את כל הפריט ככניסה אחת על סמך המראה החיצוני. בוריטו הוא "בוריטו" עם הערכה קלורית מבוססת ממוצעים ללא קשר לתכולתו הספציפית.

SnapCalorie: סריקה תלת-ממדית מודדת את ממדי החיצון, מה שמספק הערכת נפח טובה יותר. אך הרכב המילוי עדיין אינו ידוע. בוריטו שנמדד בדיוק עם תכולה בלתי ידועה הוא תעלומה שנמדדה בדיוק.

Foodvisor: אותה מגבלה עבור מנות רב-שכבתיות. סקירת דיאטנית עשויה לעזור אך דורשת המתנה.

Nutrola: ה-AI מזהה את סוג המנה, והמשתמש יכול להקליט בקול את המרכיבים הספציפיים: "בוריטו עוף עם אורז, שעועית שחורה, גבינה, שמנת חמוצה וגואקמולי." כל רכיב נמשך מרשומות מאומתות מהמאגר. המשתמש למעשה מפרק את בעיית השכבות המוסתרות לרכיבים ניתנים לזיהוי. זה דורש לדעת (או להעריך בצורה סבירה) מה יש בפנים, מה שקל יותר עבור מזון ביתי מאשר עבור מנות במסעדות או טייק אווי.

הערכה כנה

מנות רב-שכבתיות הן מגבלה אינהרנטית של כל גישה מבוססת תמונות. השאלה היא מה פתרון החלופי שהאפליקציה מספקת. אפליקציות שמבוססות רק על תמונות אין להן פתרון חלופי — ההערכה של ה-AI מבוססת על המראה החיצוני היא התשובה הסופית. אפליקציות עם שיטות מרובות מאפשרות למשתמש לספק את המידע הפנימי שהמצלמה לא יכולה לקלוט. שיפור הדיוק תלוי לחלוטין אם המשתמש יודע מה יש בפנים ולקח את הזמן לתאר את זה.

מגבלה 6: ארוחות שאי אפשר לצלם

הבעיה

לא כל הארוחות ניתנות לצילום בנוחות. ארוחות שנאכלות בדרכים, חטיפים שנלקחים במהירות בין פגישות, מזון שמחולק מצלחות משותפות, ארוחות שנאכלות במסעדות חשוכות וארוחות שכבר סיימת לפני שזכרת לרשום. מעקבים שמבוססים רק על תמונות מתמודדים עם בעיה בינארית: אם לא צילמת את זה, זה לא קיים ביומן שלך.

מה כל אפליקציה עושה

Cal AI: אין תמונה, אין כניסה. אתה יכול להקליד תיאור ידני, אך זרימת העבודה של האפליקציה בנויה סביב המצלמה. רישום רטרואקטיבי אפשרי אך מתבסס על הערכה טקסטואלית.

SnapCalorie: אותה מגבלה. הסריקה התלת-ממדית דורשת שהאוכל יהיה נוכח פיזית.

Foodvisor: זרימת עבודה ממוקדת בתמונות עם חיפוש ידני זמין.

Nutrola: הקלטה קולית פועלת עבור כל ארוחה, מצולמת או לא. "אכלתי סנדוויץ' הודו עם מיונז וסלט צד לפני שעתיים" ניתן לרשום רטרואקטיבית דרך הקול, כאשר כל רכיב מתואם לרשומות מאומתות מהמאגר. זה לא דורש לזכור לצלם — זה דורש לזכור מה אכלת, מה שרוב האנשים יכולים לעשות בתוך כמה שעות.

הערכה כנה

זו לא מגבלה של AI אלא מגבלה של זרימת העבודה. אפליקציות שמבוססות רק על תמונות הן שבירות — הן מתמוטטות כאשר הצילום לא מתבצע. אפליקציות עם שיטות מרובות הן עמידות — הן מספקות דרכי גישה חלופיות כאשר שיטה אחת אינה זמינה. עבור משתמשים ששוכחים לעיתים קרובות לצלם ארוחות או אוכלים במצבים שבהם צילום אינו מעשי, ההבדל בכיסוי הארוחות שנרשמו יכול להיות משמעותי.

מה שום מעקב AI לא יכול לעשות כיום

כמה מגבלות חלות באופן אוניברסלי ולא ייפתרו על ידי שום אפליקציה נוכחית.

לקבוע במדויק את כמות שמן הבישול. האם העוף טוגן בכף תה אחת של שמן או בשתי כפות שמן (הפרש של 200 קלוריות) הוא בלתי נראה בתמונה ובלתי ניתן לדעת אלא אם המשתמש מציין זאת. זו השגיאה השיטתית הגדולה ביותר בכל מעקב קלוריות בעזרת AI.

לזהות מותגים ספציפיים ממיכלים לא מסומנים. יוגורט יווני בקערה יכול להיות כל מותג, כל אחוז שומן. טווח הקלוריות בין מותגים ורמות שומן הוא 59-170 קלוריות לכל 100 גרם.

לקבוע שיטות הכנה מדויקות עבור מזון במסעדות. האם הדג נצלה יבש או מרוח בחמאה? האם הירקות מאודים או מוקפצים בשמן? האם הפירה עשוי עם שמנת או חלב? התשובות משפיעות על הקלוריות ב-100-300 לכל רכיב, והן בלתי נראות לכל AI.

לחשב את השונות האישית במנות. שני אנשים יכולים להגיש לעצמם "מנה" מאותה מנה ולהיות שונים ב-50-100%. שום AI לא יכול לדעת אם הנטייה שלך היא להגיש generously או modestly.

לעקוב אחרי תכולת אלכוהול מתמונות. כוס יין, קוקטייל, בירה — ה-AI יכול להעריך את סוג המשקה, אך המותג הספציפי, גודל המנה ותכולת האלכוהול (שמשפיעה ישירות על הקלוריות) לעיתים קרובות בלתי נראות.

איך לעבוד עם המגבלות

הבנת המגבלות הללו אינה סיבה לנטוש את מעקב הקלוריות בעזרת AI — זו סיבה להשתמש בו בצורה אינטליגנטית.

השתמש בשיטה הנכונה עבור כל מזון. סרוק ברקוד עבור פריטים ארוזים. הקלט קול עבור מנות מורכבות או עם מרכיבים מוסתרים. צלם תמונה עבור מזון מנותק וויזואלית. חיפוש ידני כאופציה אחרונה. המגבלה של סריקת תמונות אינה מגבלה של מעקב קלוריות אם יש לך שיטות חלופיות.

תמיד הוסף שומנים בישול בנפרד. הפוך את זה להרגל. לאחר רישום כל מנה מבושלת, הוסף את שמן הבישול או החמאה ככניסה נפרדת. הרגל בודד זה סוגר את הפער הגדול ביותר בדיוק בסריקות מזון בעזרת AI.

שקול כאשר הדיוק חשוב. אם אתה בתהליך חיתוך תחרותי, פרוטוקול תזונה רפואי או מחקר, השתמש במשקל מטבח עבור מנות מפתח. מעקב AI + משקל מזון מדויק יותר מכל אחד מהם לבד.

בנה תבניות ארוחה עבור ארוחות קבועות. רוב האנשים אוכלים 15-20 מנות שונות בסיבוב. רשום כל אחת מהן בזהירות פעם אחת, ואז חזור על הכניסה עבור מקרים עתידיים. זה ממיר את הארוחות הנפוצות ביותר שלך מהערכות AI לרשומות מאומתות ועקביות.

קבל חוסר דיוק מועיל. עבור מנות שבהן הדיוק קשה (אכילה במסעדות, ארוחות חברתיות), קבל שההערכה של ה-AI היא בקירוב והתמקד בהשגת המגמה הנכונה במקום המספר המדויק. להיות בטווח של 20% על מנה במסעדה טוב יותר מאשר לא לרשום אותה בכלל.

הגישה של Nutrola למגבלות

Nutrola לא טוענת שהיא פותרת את כל המגבלות המפורטות לעיל. שום מעקב כנה לא יכול. מה ש-Nutrola מציעה הוא את האפשרויות הטובות ביותר כאשר ה-AI מגיע לגבולותיו.

לא יכול לצלם את המנה? הקלט קולית. ה-AI זיהה את המזון בצורה שגויה? בחר את הכניסה הנכונה מהמאגר המאומת. מרכיבים מוסתרים שהמצלמה לא יכולה לראות? הוסף אותם בנפרד דרך קול או חיפוש. מזון ארוז? סרוק ברקוד עבור נתונים מדויקים. אוכלים מנה קבועה? חזור על כניסה מאומתת קודמת.

ה-AI הוא כלי אחד במערכת, לא המערכת עצמה. כאשר ה-AI פועל — במנות פשוטות, נראות היטב ובתאורה טובה — הוא מספק רישום מהיר ונוח. כאשר ה-AI נכשל — מנות עם רוטב, שכבות מוסתרות, משקאות, מזונות אזוריים — המאגר, הקול והברקוד מספקים דרכים לנתונים מדויקים שאין לאפליקציות שמבוססות רק על תמונות.

זה זמין ב-€2.50 לחודש לאחר תקופת ניסיון חינם, ללא פרסומות, עם יותר מ-100 רכיבי תזונה, 1.8 מיליון רשומות מאומתות ותמיכה ב-iOS, Android, Apple Watch ו-Wear OS ב-15 שפות. לא בגלל שה-AI לא מכיל מגבלות, אלא כי עיצוב כנה פירושו לבנות סביב המגבלות במקום להתיימר שהן לא קיימות.

מעקב הקלוריות הטוב ביותר בעזרת AI אינו זה עם המגבלות המעטות ביותר. זהו זה עם הפתרונות הטובים ביותר כאשר המגבלות הללו מגיעות.